隨著癌癥發(fā)病率的提高以及癌癥的高死亡率,越來(lái)越多的研究者開始將關(guān)注點(diǎn)放在癌癥分類問(wèn)題上。傳統(tǒng)的癌癥分類問(wèn)題主要是基于形態(tài)學(xué)之上,主要依賴于經(jīng)驗(yàn),診斷準(zhǔn)確性不高�；蛐酒夹g(shù)的出現(xiàn)使得大量的基因表達(dá)數(shù)據(jù)被測(cè)定,這使得從基因的層面對(duì)癌癥進(jìn)行早期的診斷成為了可能。然而基因表達(dá)數(shù)據(jù)具有樣本少、維度高、數(shù)據(jù)分布不平衡等特點(diǎn),如何對(duì)這些數(shù)據(jù)進(jìn)行有效的預(yù)處理、通過(guò)特征選擇達(dá)到降維的目的、建立分類精度高的癌癥分類模型引起了廣大學(xué)者的關(guān)注。在癌癥分類問(wèn)題中,本文首次提出互信息去冗與多種分類模型結(jié)合的分類方法。首先利用欠采樣的方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,從而防止樣本不平衡所帶來(lái)的數(shù)據(jù)碎片問(wèn)題和不恰當(dāng)?shù)臍w納偏置問(wèn)題;然后通過(guò)信息增益的方法進(jìn)行特征基因的選擇,從而降低數(shù)據(jù)維度,去除無(wú)關(guān)的特征所帶來(lái)的干擾和對(duì)性能的影響;進(jìn)而使用互信息的方法進(jìn)行冗余基因的去除;最后使用最終的特征基因集合用于癌癥分類模型的構(gòu)建。本文將互信息去冗與多種分類模型結(jié)合的分類方法應(yīng)用在基因表達(dá)譜類型數(shù)據(jù)的分類問(wèn)題中,通過(guò)實(shí)驗(yàn)和對(duì)比研究探索數(shù)據(jù)預(yù)處理、特征基因的選擇、冗余基因的去除、分類模型的構(gòu)建。對(duì)KentRidge數(shù)據(jù)集和TCGA乳腺癌數(shù)據(jù)集... 

【文章來(lái)源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 DNA微陣列技術(shù)
        1.2.1 DNA微陣列技術(shù)原理
        1.2.2 基因表達(dá)數(shù)據(jù)特點(diǎn)
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 數(shù)據(jù)集的選擇
        1.3.2 數(shù)據(jù)預(yù)處理
        1.3.3 分類器的設(shè)計(jì)
        1.3.4 特征選擇
    1.4 研究?jī)?nèi)容
    1.5 章節(jié)安排
第2章 癌癥分類問(wèn)題概述
    2.1 特征選擇
        2.1.1 特征選擇的定義
        2.1.2 特征選擇的方法及分類
    2.2 信息增益與互信息
    2.3 最近鄰算法
    2.4 支持向量機(jī)
    2.5 集成方法
    2.6 貝葉斯分類器
    2.7 本章小結(jié)
第3章 數(shù)據(jù)預(yù)處理和特征基因選擇
    3.1 數(shù)據(jù)預(yù)處理
    3.2 特征基因選擇方法
        3.2.1 信息熵
        3.2.2 信息增益
    3.3 冗余基因剔除方法
        3.3.1 互信息
    3.4 LSSVM預(yù)測(cè)模型
    3.5 本章小結(jié)
第4章 互信息去冗余與多種模型結(jié)合的分類模型構(gòu)建
    4.1 預(yù)測(cè)方法框架
    4.2 數(shù)據(jù)預(yù)處理
    4.3 特征基因選擇
    4.4 冗余基因去除
    4.5 分類模型的構(gòu)建
        4.5.1 最近鄰算法
        4.5.2 支持向量機(jī)
    4.6 本章小結(jié)
第5章 實(shí)驗(yàn)研究與優(yōu)化
    5.1 實(shí)驗(yàn)
        5.1.1 Anaconda介紹
        5.1.2 實(shí)驗(yàn)環(huán)境
    5.2 實(shí)驗(yàn)概況
        5.2.1 數(shù)據(jù)集介紹
        5.2.2 模型參數(shù)設(shè)置
        5.2.3 分類性能評(píng)價(jià)指標(biāo)
    5.3 案例1:不同特征選擇方法與LSSVM組合實(shí)驗(yàn)
    5.4 案例2:不同特征選擇方法與多種分類器結(jié)合對(duì)比實(shí)驗(yàn)
    5.5 案例3:TCGA數(shù)據(jù)集對(duì)比實(shí)驗(yàn)
    5.6 案例4:與以往研究對(duì)比實(shí)驗(yàn)
    5.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文
附錄B 攻讀學(xué)位期間參與的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]癌癥基因表達(dá)數(shù)據(jù)的集成分類器設(shè)計(jì)與分析[J]. 宋年豐.  無(wú)線互聯(lián)科技. 2016(07)
[2]改進(jìn)的多類支持向量機(jī)遞歸特征消除在癌癥多分類中的應(yīng)用[J]. 黃曉娟,張莉.  計(jì)算機(jī)應(yīng)用. 2015(10)
[3]基于過(guò)采樣技術(shù)和隨機(jī)森林的不平衡微陣列數(shù)據(jù)分類方法研究[J]. 于化龍,高尚,趙靖,秦斌.  計(jì)算機(jī)科學(xué). 2012(05)
[4]基于DNA微陣列數(shù)據(jù)的癌癥分類問(wèn)題研究進(jìn)展[J]. 于化龍,顧國(guó)昌,趙靖,劉海波,沈晶.  計(jì)算機(jī)科學(xué). 2010(10)
[5]腫瘤信息基因啟發(fā)式寬度優(yōu)先搜索算法研究[J]. 王樹林,王戟,陳火旺,李樹濤,張波云.  計(jì)算機(jī)學(xué)報(bào). 2008(04)
[6]基于支持向量機(jī)的腫瘤分類特征基因選取[J]. 李穎新,阮曉鋼.  計(jì)算機(jī)研究與發(fā)展. 2005(10)

碩士論文
[1]基于信息熵的改進(jìn)k-TSP方法及其在癌癥分類中的應(yīng)用[D]. 周純葆.吉林大學(xué) 2009



本文編號(hào)：3463605